AI
基本情報技術者試験におけるAI（人工知能）は、テクノロジ系やストラテジ系で毎年必ず出題される超重要テーマです。
試験では、難しい数式は出ません。「キーワードの意味」と「具体的な活用例」を正しく結びつける問題がほとんどです。
合格のために絶対に落とせない重要用語を、分かりやすく整理して解説します。
AIはArtificial Intelligenceの頭文字で、人間の知的な振る舞いをコンピュータ上で再現する技術のことを指します。
AIの主な用途は以下のとおりです。
- 画像の認識・合成・・・スマートフォンの顔認識やナンバープレート認識システム、アート作品の生成など
- 自然言語処理・・・検索エンジンでの解析、WEBサイトの機械翻訳、チャットボット
- 音声の認識・合成・・・Webサイトの読み上げ機能、ナレータの代わりとなる音声の作成
各用語の詳細は以下のとおりです。
- AI（人工知能）
- 人間の知的な振る舞いをコンピュータに真似させる技術の総称です。
- 機械学習（マシンラーニング）
- コンピュータに大量のデータを読み込ませ、人間が指示しなくてもデータ背景にある「パターン」や「ルール」を自ら見つけ出させる手法です。
- ディープラーニング（深層学習）
- 機械学習の進化系です。
- 人間の脳の神経回路を真似したニューラルネットワークを多層（深く）した仕組みです。
- 特徴量（どこに注目して判断すべきかという基準）を、AI自らが自動で見つけ出す点が最大の特徴です。
- 生成AI（ジェネレーティブAI）
- テキスト、画像、プログラム、音声などを「新しく作り出す」AIのことです。
- 例：ChatGPTなどの文章生成、Midjourneyなどの画像生成。
- LLM（大規模言語モデル）
- 大量のテキストデータを学習し、人間のように自然な文章を生成・理解できるAIのモデルです。生成AIの文章版の土台となる技術です。
- プロンプトエンジニアリング
- 生成AIから自分の欲しい結果を正確に引き出すために、「指示文（プロンプト）」を工夫・設計する技術のことです。
ニューラルネットワーク
ニューラルネットワークは、人間の脳の神経回路を模した数理モデルのことです。
モデル
基本情報技術者試験（FE）における「モデル（Model）」とは、「現実世界の複雑な仕組みやデータを、コンピュータで扱えるように簡略化・数式化したもの」を指します。AIにおけるモデルは、人間でいう「知識」や「学習済みの脳」にあたります。
基本情報技術者試験でもよく登場する、AIモデルの代表例です。
- 予測モデル（回帰モデル）
- 役割: 数値を予測する。
- 例: 過去の気温とアイスの売上データから、「明日、気温が30度ならアイスは何個売れるか」を計算する数式モデル。
- 分類モデル
- 役割: グループやラベルを判定する。
- 例: 画像データを読み込み、「これは『犬』、これは『猫』」と見分ける境界線を持ったモデル。
- 生成モデル（基盤モデル / LLM）
- 役割: 新しい文章や画像を新しく作り出す。
- 例: ChatGPTの裏側で動いているGPT-4などの「大規模言語モデル（LLM）」。大量の日本語を学習し、「次につながる確率が最も高い言葉」を出力する巨大な数式モデル。
基本情報技術者試験の科目Aなどで、モデルに関連してよく出題される用語です。
- 学習済みモデル: すでに大量のデータで訓練が終わり、すぐに予測や判断ができる状態のモデル。
- 過学習（オーバーフィッティング）: 訓練データに過剰に適合しすぎて、新しいデータ（未知のデータ）に対して正しく予測できなくなってしまった「頭の固いモデル」のこと。
- 汎化性能（はんかせいのう）: 訓練データだけでなく、初めて見る新しいデータに対しても正しく予測できる、「実用性の高いモデル」の能力のこと。
ニューロンと活性化関数
ニューロンとは、脳の神経細胞をコンピュータ上で再現した「計算を行う最小単位（ノード）」のことです。
仕組みは非常にシンプルで、「複数の入力を受け取り、計算して、1つの出力を次のニューロンへ送る」という連鎖を行っています。
ニューロン内部で行われる「3つのステップ」は以下のとおりです。
- 重み付け（かけ算）：入力された情報（\(x\)）に、それぞれの重要度である「重み（\(w\)）」を掛け算します。
- 足し算（総和）：掛け算した結果をすべて合計し、さらに偏り具合を調整する「バイアス（\(b\)）」を足します。
- 活性化関数（判断）：足し算した合計値を「活性化関数」というフィルターに通して、最終的な出力（\(y\)）を決定します。
活性化関数とは、ニューロンが計算した合計値を「次のニューロンにどれくらいの強さで伝達するか（発火させるか）」を判定するフィルター（関数）です。
人間で例えると、「ある噂話（入力情報）を聞いたとき、それを他人に話す（発火する）か、心の中に留めておく（発火しない）かを判断する基準」のようなものです。
もし活性化関数がないと、AIの計算は単なる「直線的な足し算と掛け算（線形変換）」だけになってしまいます。これでは、複雑な形をしたデータや、折れ曲がった境界線（非線形な問題）を分類することができません。活性化関数を通すことで、計算に「歪みや折れ曲がり（非線形性）」が加わり、AIが複雑な物事をパターン認識できるようになります。
生成AI
基本情報技術者試験（FE）における「生成AI（ジェネレーティブAI）」について解説します。
近年、FE試験のシラバス（出題範囲）では生成AIに関する問題が大幅に強化されています。科目A（知識問題）を中心に、仕組みからセキュリティリスクまで幅広く狙われるため、重要なキーワードを押さえておきましょう。
従来のAIが「データの分類」や「数値の予測」を得意としていたのに対し、生成AIは「テキスト、画像、プログラム、音声などの新しいコンテンツを自ら作り出す」ことができるAIです。
試験対策として、まずベースとなる以下の最重要キーワードを理解しましょう。
- 基盤モデル（Foundation Model）：膨大なデータを使ってあらかじめ網羅的に学習（事前学習）させた、汎用性の高い巨大なAIモデルのことです。
- LLM（大規模言語モデル）：基盤モデルの一種で、大量のテキストデータを学習し、人間のような自然な文章を生成・理解するAI（ChatGPTなど）のことです。
プロンプト
プロンプトとは、生成AI（LLMなど）に対してユーザーが入力する「指示文」や「質問文」のテキストのことです。
AIは、このプロンプトとして与えられた文字列の文脈を解析し、それに続く「最も確率的に妥当な文章や回答」を予測して出力します。
- プロンプトインジェクション（Prompt Injection）
- 概要: AIへの指示文の中に悪意のある命令を「注入（インジェクション）」し、AIシステムの制限をすり抜ける攻撃です。
- リスク: 本来は回答してはいけない「システム裏側の機密情報」を暴露させたり、不適切な差別発言を出力させたりします。
- プロンプトリーク（Prompt Leaking）
- 概要: プロンプトインジェクションの一種で、開発者がシステムにあらかじめ設定している「内部の前提指示（システムプロンプト）」を盗み出す（リークさせる）攻撃です。
プロンプトの精度を高めるための技術や、新しく生まれた職種のキーワードです。
- プロンプトエンジニアリング（Prompt Engineering）
- AIからより正確で望ましい回答を引き出すために、プロンプトの構造や命令の仕方を工夫・設計する技術のことです。
- プロンプトエンジニア
- 上記の「プロンプトエンジニアリング」を専門に行い、AIの出力を最適化する新しい職種のことです。
- インコンテキストラーニング（In-Context Learning）
- AIのモデル自体を追加学習（ファインチューニング）させるのではなく、プロンプトの中にいくつか「具体例（手本）」を書いておくことで、その場でAIの回答精度を劇的に向上させる手法です（Few-shotプロンプティングとも呼ばれます）。
ディープフェイクとハルシネーション
基本情報技術者試験（FE）において、生成AIの急速な普及に伴い「AIの負の側面（リスク・脅威）」としてシラバスに追加された2大重要キーワード、「ディープフェイク」と「ハルシネーション」について解説します。
ディープフェイク
ディープフェイクとは、ディープラーニング（深層学習）とフェイク（偽物）を組み合わせた造語で、AIを用いて本物そっくりに作成された偽の動画、画像、音声のことです。
- なりすまし・詐欺: 経営者や親族の「偽の音声」や「偽のビデオ通話」をAIで合成し、不正な送金指示を出す詐欺（ビジネスメール詐欺の高度化）に悪用されます。
- 世論誘導・偽情報の拡散: 政治家が実際には言っていない発言の動画を作り、SNSで拡散させて社会的混乱を招くリスクが指摘されています。
- 対策技術: ディープフェイクを見破るための「偽動画検知AI」や、デジタルコンテンツの信頼性を証明する技術（デジタル署名など）の開発が進められています。
ハルシネーション（Hallucination）
ハルシネーションとは、直訳すると「幻覚」という意味で、生成AI（LLMなど）が、事実とは異なる誤った情報を、まるでもっともらしい（正しい）ことのように出力してしまう現象のことです。
- 発生の原因: 大規模言語モデル（LLM）は「過去のデータから、次に続く確率が最も高い言葉」を予測して文章を作っているため、内容の「真実性」を自ら確認しているわけではないからです。
- 業務上のリスク: AIが生成したプログラムコードや契約書のチェックを人間に怠ると、存在しないバグや架空の法律条文が紛れ込む危険があります。
- 試験に出る対策手法（重要）:
- RAG（検索拡張生成）: 回答直前に外部の信頼できるデータベースを検索し、その最新・事実情報をもとにAIに文章を作らせることで、ハルシネーションを大幅に減らすことができます。
以下の整理・理解をしておきましょう。
- 「本物そっくりの偽画像・偽動画を作り出す」 ＝ ディープフェイク
- 「AIがもっともらしい嘘（事実誤認）を出力する」 ＝ ハルシネーション
基盤モデル
基本情報技術者試験（FE）において、生成AIの土台を支える重要キーワードである「基盤モデル（Foundation Model）」について解説します。
基盤モデルとは、「膨大なデータを使ってあらかじめ学習（事前学習）させておくことで、様々な応用タスクに利用できるようにした、汎用性の高い巨大なAIモデル」のことです。
これまでのAIと、基盤モデルが登場した現在のAIでは、作り方が根本的に変わりました。
- 従来のAI：「犬と猫を見分けるAI」「翻訳をするAI」など、目的ごとに1から個別のAIを作っていました。
- 基盤モデルのAI：まず「何でもできる超巨大な脳（基盤モデル）」を1つ作り、それをベースにして、簡単な調整だけで色々な目的（文章要約、画像生成、プログラミングなど）に使い回しをします。
基盤モデルには次の特徴があります。
① 膨大なデータによる「事前学習」
インターネット上のテキストや画像など、人間の一生では読みきれないほどの「莫大なデータ」を事前に学習しています。
② 高い「汎用性」
1つのモデルでありながら、指示（プロンプト）を変えるだけで、文章生成、翻訳、要約、プログラムの作成、感情分析など、まったく異なる複数の作業をこなせます。
③ 応用（カスタマイズ）のしやすさ
基盤モデルをベースにすることで、1からAIを開発するよりも、はるかに少ないデータと時間で専門特化型AIを作ることができます。このカスタマイズ手法として、以下の2つが試験に直結します。
インターネット上のテキストや画像など、人間の一生では読みきれないほどの「莫大なデータ」を事前に学習しています。
② 高い「汎用性」
1つのモデルでありながら、指示（プロンプト）を変えるだけで、文章生成、翻訳、要約、プログラムの作成、感情分析など、まったく異なる複数の作業をこなせます。
③ 応用（カスタマイズ）のしやすさ
基盤モデルをベースにすることで、1からAIを開発するよりも、はるかに少ないデータと時間で専門特化型AIを作ることができます。このカスタマイズ手法として、以下の2つが試験に直結します。
- ファインキューニング：基盤モデルに専門データを追加学習させ、モデルの中身（パラメーター）自体を書き換える手法。
- RAG（検索拡張生成）：モデルの中身は変えず、外部データベースの検索結果を組み合わせる手法。
ファインチューニング
ファインチューニングとは、すでに大量のデータで学習を終えている「基盤モデル（学習済みモデル）」に対して、特定の専門データを追加で学習させ、モデルの中身（パラメーター）を書き換える手法のことです。 人間で例えると、「一般教養を身につけた大学生（基盤モデル）」に、自社のマニュアルや専門書を猛勉強させて「自社専属のプロフェッショナル」へ育てるようなイメージです。
メリット
- 専門特化できる：医療、法律、自社独自の社内用語など、一般的なAIが知らない専門知識に深く対応できます。
- 回答の「トーン（口調）」や「出力形式」を固定できる：常に「〜です・〜ます」調で答えさせたり、特定のJSON形式などのプログラム用データで出力させたりする制限が得意です。
デメリット（ここが試験で狙われます）
- コスト（時間・お金）がかかる：モデルの内部数値を再計算（追加学習）するため、高性能なコンピュータ（GPU）と時間が必要です。
- データの「即時性」がない：学習が終わった後に新しくできた社内ルールや、毎日のように変わる株価などの「最新情報」にリアルタイムで追いつくことができません（再度学習し直す必要があります）。